Nature.com സന്ദർശിച്ചതിന് നന്ദി.പരിമിതമായ CSS പിന്തുണയുള്ള ഒരു ബ്രൗസർ പതിപ്പാണ് നിങ്ങൾ ഉപയോഗിക്കുന്നത്.മികച്ച അനുഭവത്തിനായി, നിങ്ങൾ ഒരു അപ്‌ഡേറ്റ് ചെയ്‌ത ബ്രൗസർ ഉപയോഗിക്കാൻ ഞങ്ങൾ ശുപാർശ ചെയ്യുന്നു (അല്ലെങ്കിൽ Internet Explorer-ൽ അനുയോജ്യത മോഡ് പ്രവർത്തനരഹിതമാക്കുക).കൂടാതെ, തുടർച്ചയായ പിന്തുണ ഉറപ്പാക്കാൻ, ഞങ്ങൾ ശൈലികളും JavaScript ഇല്ലാതെ സൈറ്റ് കാണിക്കുന്നു.
ഓരോ സ്ലൈഡിലും മൂന്ന് ലേഖനങ്ങൾ കാണിക്കുന്ന സ്ലൈഡറുകൾ.സ്ലൈഡുകളിലൂടെ നീങ്ങാൻ ബാക്ക്, അടുത്ത ബട്ടണുകൾ ഉപയോഗിക്കുക അല്ലെങ്കിൽ ഓരോ സ്ലൈഡിലൂടെയും നീങ്ങാൻ അവസാനത്തെ സ്ലൈഡ് കൺട്രോളർ ബട്ടണുകൾ ഉപയോഗിക്കുക.
ഒപ്റ്റിക്കൽ കോഹറൻസ് ടോമോഗ്രാഫിക് ആൻജിയോഗ്രാഫി (OCTA) റെറ്റിന പാത്രങ്ങളുടെ ആക്രമണാത്മക ദൃശ്യവൽക്കരണത്തിനുള്ള ഒരു പുതിയ രീതിയാണ്.OCTA യ്ക്ക് ധാരാളം ക്ലിനിക്കൽ ആപ്ലിക്കേഷനുകൾ ഉണ്ടെങ്കിലും, ചിത്രത്തിൻ്റെ ഗുണനിലവാരം നിർണ്ണയിക്കുന്നത് ഒരു വെല്ലുവിളിയായി തുടരുന്നു.134 രോഗികളുടെ 347 സ്‌കാനുകളിൽ നിന്നുള്ള ഉപരിപ്ലവമായ കാപ്പിലറി പ്ലെക്‌സസ് ഇമേജുകൾ തരംതിരിക്കുന്നതിന് ഇമേജ് നെറ്റ് ഉപയോഗിച്ച് മുൻകൂട്ടി പരിശീലിപ്പിച്ച ResNet152 ന്യൂറൽ നെറ്റ്‌വർക്ക് ക്ലാസിഫയർ ഉപയോഗിച്ച് ഞങ്ങൾ ആഴത്തിലുള്ള പഠന അധിഷ്‌ഠിത സംവിധാനം വികസിപ്പിച്ചെടുത്തു.മേൽനോട്ടത്തിലുള്ള പഠന മാതൃകയ്ക്കായി രണ്ട് സ്വതന്ത്ര റേറ്റർമാർ ചിത്രങ്ങൾ യഥാർത്ഥ സത്യമായി സ്വയം വിലയിരുത്തി.ക്ലിനിക്കൽ അല്ലെങ്കിൽ ഗവേഷണ ക്രമീകരണങ്ങളെ ആശ്രയിച്ച് ചിത്രത്തിൻ്റെ ഗുണനിലവാര ആവശ്യകതകൾ വ്യത്യാസപ്പെടാം എന്നതിനാൽ, രണ്ട് മോഡലുകൾ പരിശീലിപ്പിച്ചു, ഒന്ന് ഉയർന്ന നിലവാരമുള്ള ഇമേജ് തിരിച്ചറിയലിനും മറ്റൊന്ന് കുറഞ്ഞ നിലവാരമുള്ള ഇമേജ് തിരിച്ചറിയലിനും.ഞങ്ങളുടെ ന്യൂറൽ നെറ്റ്‌വർക്ക് മോഡൽ വക്രത്തിന് (AUC) കീഴിലുള്ള ഒരു മികച്ച ഏരിയ കാണിക്കുന്നു, 95% CI 0.96-0.99, \(\kappa\) = 0.81), ഇത് മെഷീൻ റിപ്പോർട്ട് ചെയ്യുന്ന സിഗ്നൽ നിലയേക്കാൾ മികച്ചതാണ് (AUC = 0.82, 95). % CI).0.77-0.86, \(\kappa\) = 0.52, AUC = 0.78, 95% CI 0.73-0.83, \(\kappa\) = 0.27, യഥാക്രമം).OCTA ഇമേജുകൾക്കായി വഴക്കമുള്ളതും ശക്തവുമായ ഗുണനിലവാര നിയന്ത്രണ രീതികൾ വികസിപ്പിക്കുന്നതിന് മെഷീൻ ലേണിംഗ് രീതികൾ ഉപയോഗിക്കാമെന്ന് ഞങ്ങളുടെ പഠനം തെളിയിക്കുന്നു.
ഒപ്റ്റിക്കൽ കോഹറൻസ് ടോമോഗ്രാഫിക് ആൻജിയോഗ്രാഫി (OCTA) ഒപ്റ്റിക്കൽ കോഹറൻസ് ടോമോഗ്രഫി (OCT) അടിസ്ഥാനമാക്കിയുള്ള താരതമ്യേന പുതിയ സാങ്കേതികതയാണ്, ഇത് റെറ്റിന മൈക്രോവാസ്കുലേച്ചറിൻ്റെ നോൺ-ഇൻവേസിവ് വിഷ്വലൈസേഷനായി ഉപയോഗിക്കാം.റെറ്റിനയുടെ അതേ പ്രദേശത്ത് ആവർത്തിച്ചുള്ള പ്രകാശ പൾസുകളിൽ നിന്നുള്ള പ്രതിഫലന പാറ്റേണുകളിലെ വ്യത്യാസം OCTA അളക്കുന്നു, കൂടാതെ ചായങ്ങളുടെയോ മറ്റ് കോൺട്രാസ്റ്റ് ഏജൻ്റുമാരുടെയോ ആക്രമണാത്മക ഉപയോഗമില്ലാതെ രക്തക്കുഴലുകൾ വെളിപ്പെടുത്തുന്നതിന് പുനർനിർമ്മാണങ്ങൾ കണക്കാക്കാം.OCTA ഡെപ്ത്-റെസല്യൂഷൻ വാസ്കുലർ ഇമേജിംഗും പ്രാപ്തമാക്കുന്നു, ഉപരിപ്ലവവും ആഴത്തിലുള്ളതുമായ പാത്ര പാളികൾ വെവ്വേറെ പരിശോധിക്കാൻ ഡോക്ടർമാരെ അനുവദിക്കുന്നു, ഇത് chorioretinal രോഗം തമ്മിൽ വേർതിരിച്ചറിയാൻ സഹായിക്കുന്നു.
ഈ സാങ്കേതികത വാഗ്ദാനമാണെങ്കിലും, ഇമേജ് ഗുണനിലവാര വ്യതിയാനം വിശ്വസനീയമായ ഇമേജ് വിശകലനത്തിന് ഒരു പ്രധാന വെല്ലുവിളിയായി തുടരുന്നു, ഇത് ഇമേജ് വ്യാഖ്യാനം പ്രയാസകരമാക്കുകയും വ്യാപകമായ ക്ലിനിക്കൽ ദത്തെടുക്കൽ തടയുകയും ചെയ്യുന്നു.OCTA തുടർച്ചയായി ഒന്നിലധികം OCT സ്കാനുകൾ ഉപയോഗിക്കുന്നതിനാൽ, സ്റ്റാൻഡേർഡ് OCT-യെക്കാൾ ഇമേജ് ആർട്ടിഫാക്റ്റുകളോട് അത് കൂടുതൽ സെൻസിറ്റീവ് ആണ്.മിക്ക വാണിജ്യ OCTA പ്ലാറ്റ്‌ഫോമുകളും സിഗ്നൽ സ്‌ട്രെംത് (എസ്എസ്) അല്ലെങ്കിൽ ചിലപ്പോൾ സിഗ്നൽ സ്‌ട്രെംഗ്ത് ഇൻഡക്‌സ് (എസ്എസ്ഐ) എന്ന് വിളിക്കുന്ന സ്വന്തം ഇമേജ് ക്വാളിറ്റി മെട്രിക് നൽകുന്നു.എന്നിരുന്നാലും, ഉയർന്ന SS അല്ലെങ്കിൽ SSI മൂല്യമുള്ള ചിത്രങ്ങൾ ഇമേജ് ആർട്ടിഫാക്‌റ്റുകളുടെ അഭാവം ഉറപ്പുനൽകുന്നില്ല, ഇത് തുടർന്നുള്ള ഏതെങ്കിലും ഇമേജ് വിശകലനത്തെ ബാധിക്കുകയും തെറ്റായ ക്ലിനിക്കൽ തീരുമാനങ്ങളിലേക്ക് നയിക്കുകയും ചെയ്യും.മോഷൻ ആർട്ടിഫാക്‌റ്റുകൾ, സെഗ്‌മെൻ്റേഷൻ ആർട്ടിഫാക്‌റ്റുകൾ, മീഡിയ ഒപാസിറ്റി ആർട്ടിഫാക്‌റ്റുകൾ, പ്രൊജക്ഷൻ ആർട്ടിഫാക്‌റ്റുകൾ, പ്രൊജക്ഷൻ ആർട്ടിഫാക്‌റ്റുകൾ എന്നിവ OCTA ഇമേജിംഗിൽ സംഭവിക്കാവുന്ന സാധാരണ ഇമേജ് ആർട്ടിഫാക്‌റ്റുകളിൽ ഉൾപ്പെടുന്നു.
വിവർത്തന ഗവേഷണം, ക്ലിനിക്കൽ പരീക്ഷണങ്ങൾ, ക്ലിനിക്കൽ പ്രാക്ടീസ് എന്നിവയിൽ രക്തക്കുഴലുകളുടെ സാന്ദ്രത പോലെയുള്ള OCTA-യിൽ നിന്നുള്ള അളവുകൾ കൂടുതലായി ഉപയോഗിക്കുന്നതിനാൽ, ഇമേജ് ആർട്ടിഫാക്‌റ്റുകൾ ഇല്ലാതാക്കുന്നതിന് ശക്തവും വിശ്വസനീയവുമായ ഇമേജ് ഗുണനിലവാര നിയന്ത്രണ പ്രക്രിയകൾ വികസിപ്പിക്കേണ്ടത് അടിയന്തിര ആവശ്യമാണ്.സ്കിപ്പ് കണക്ഷനുകൾ, അവശിഷ്ട കണക്ഷനുകൾ എന്നും അറിയപ്പെടുന്നു, ന്യൂറൽ നെറ്റ്‌വർക്ക് ആർക്കിടെക്ചറിലെ പ്രൊജക്ഷനുകളാണ്, അത് വ്യത്യസ്ത സ്കെയിലുകളിലോ റെസല്യൂഷനുകളിലോ വിവരങ്ങൾ സംഭരിക്കുമ്പോൾ കൺവല്യൂഷണൽ ലെയറുകളെ മറികടക്കാൻ വിവരങ്ങൾ അനുവദിക്കുന്നു.ഇമേജ് ആർട്ടിഫാക്‌റ്റുകൾക്ക് ചെറിയ തോതിലുള്ളതും പൊതുവായതുമായ വലിയ തോതിലുള്ള ഇമേജ് പ്രകടനത്തെ ബാധിക്കുമെന്നതിനാൽ, ഈ ഗുണനിലവാര നിയന്ത്രണ ടാസ്‌ക് ഓട്ടോമേറ്റ് ചെയ്യുന്നതിന് സ്‌കിപ്പ്-കണക്ഷൻ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ അനുയോജ്യമാണ്.ഹ്യൂമൻ എസ്റ്റിമേറ്റർമാരിൽ നിന്നുള്ള ഉയർന്ന നിലവാരമുള്ള ഡാറ്റ ഉപയോഗിച്ച് പരിശീലിപ്പിച്ച ആഴത്തിലുള്ള കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്കായി അടുത്തിടെ പ്രസിദ്ധീകരിച്ച കൃതി ചില വാഗ്ദാനങ്ങൾ കാണിക്കുന്നു.
ഈ പഠനത്തിൽ, OCTA ചിത്രങ്ങളുടെ ഗുണനിലവാരം സ്വയമേവ നിർണ്ണയിക്കാൻ ഞങ്ങൾ ഒരു കണക്ഷൻ-സ്കിപ്പിംഗ് കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്ക് പരിശീലിപ്പിക്കുന്നു.ഉയർന്ന നിലവാരമുള്ള ചിത്രങ്ങളും കുറഞ്ഞ നിലവാരമുള്ള ചിത്രങ്ങളും തിരിച്ചറിയുന്നതിനായി പ്രത്യേക മോഡലുകൾ വികസിപ്പിച്ചുകൊണ്ട് ഞങ്ങൾ മുൻ ജോലികൾ നിർമ്മിക്കുന്നു, കാരണം നിർദ്ദിഷ്ട ക്ലിനിക്കൽ അല്ലെങ്കിൽ ഗവേഷണ സാഹചര്യങ്ങൾക്ക് ചിത്രത്തിൻ്റെ ഗുണനിലവാര ആവശ്യകതകൾ വ്യത്യാസപ്പെടാം.ആഴത്തിലുള്ള പഠനത്തിനുള്ളിൽ ഗ്രാനുലാരിറ്റിയുടെ ഒന്നിലധികം തലങ്ങളിൽ സവിശേഷതകൾ ഉൾപ്പെടുത്തുന്നതിൻ്റെ മൂല്യം വിലയിരുത്തുന്നതിന് കണക്ഷനുകൾ നഷ്‌ടപ്പെടാതെ ഈ നെറ്റ്‌വർക്കുകളുടെ ഫലങ്ങൾ കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകളുമായി ഞങ്ങൾ താരതമ്യം ചെയ്യുന്നു.നിർമ്മാതാക്കൾ നൽകുന്ന ചിത്രത്തിൻ്റെ ഗുണനിലവാരത്തിൻ്റെ പൊതുവായി അംഗീകരിക്കപ്പെട്ട അളവുകോലായ സിഗ്നൽ ശക്തിയുമായി ഞങ്ങൾ ഞങ്ങളുടെ ഫലങ്ങളെ താരതമ്യം ചെയ്തു.
2017 ഓഗസ്റ്റ് 11-നും 2019 ഏപ്രിൽ 11-നും ഇടയിൽ യേൽ ഐ സെൻ്ററിൽ പങ്കെടുത്ത പ്രമേഹ രോഗികളെ ഞങ്ങളുടെ പഠനത്തിൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. ഏതെങ്കിലും നോൺ-ഡയബറ്റിക് കോറിയോറെറ്റിനൽ രോഗമുള്ള രോഗികളെ ഒഴിവാക്കിയിട്ടുണ്ട്.പ്രായം, ലിംഗഭേദം, വംശം, ചിത്രത്തിൻ്റെ ഗുണനിലവാരം അല്ലെങ്കിൽ മറ്റേതെങ്കിലും ഘടകത്തെ അടിസ്ഥാനമാക്കി ഉൾപ്പെടുത്തലോ ഒഴിവാക്കലോ മാനദണ്ഡങ്ങളൊന്നും ഉണ്ടായിരുന്നില്ല.
8\(\times\)8 mm, 6\(\times\)6 mm ഇമേജിംഗ് പ്രോട്ടോക്കോളുകൾക്ക് കീഴിൽ Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA)-ൽ AngioPlex പ്ലാറ്റ്‌ഫോം ഉപയോഗിച്ചാണ് OCTA ചിത്രങ്ങൾ നേടിയത്.പഠനത്തിൽ പങ്കെടുക്കുന്നതിനുള്ള വിവരമുള്ള സമ്മതം ഓരോ പഠന പങ്കാളിയിൽ നിന്നും ലഭിച്ചു, കൂടാതെ യേൽ യൂണിവേഴ്സിറ്റി ഇൻസ്റ്റിറ്റ്യൂഷണൽ റിവ്യൂ ബോർഡ് (IRB) ഈ രോഗികൾക്കെല്ലാം ഗ്ലോബൽ ഫോട്ടോഗ്രാഫിക്കൊപ്പം അറിവുള്ള സമ്മതം ഉപയോഗിക്കാൻ അംഗീകാരം നൽകി.ഹെൽസിങ്കിയുടെ പ്രഖ്യാപനത്തിൻ്റെ തത്വങ്ങൾ പിന്തുടരുന്നു.യേൽ യൂണിവേഴ്സിറ്റി ഐആർബിയാണ് പഠനത്തിന് അംഗീകാരം നൽകിയത്.
മുമ്പ് വിവരിച്ച മോഷൻ ആർട്ടിഫാക്റ്റ് സ്‌കോർ (MAS), മുമ്പ് വിവരിച്ച സെഗ്‌മെൻ്റേഷൻ ആർട്ടിഫാക്റ്റ് സ്‌കോർ (SAS), ഫോവൽ സെൻ്റർ, മീഡിയ അതാര്യതയുടെ സാന്നിധ്യം, ഇമേജ് ഇവാലുവേറ്റർ നിർണ്ണയിക്കുന്ന ചെറിയ കാപ്പിലറികളുടെ നല്ല ദൃശ്യവൽക്കരണം എന്നിവ അടിസ്ഥാനമാക്കിയാണ് സർഫേസ് പ്ലേറ്റ് ചിത്രങ്ങൾ വിലയിരുത്തിയത്.രണ്ട് സ്വതന്ത്ര മൂല്യനിർണ്ണയക്കാർ (RD, JW) ചിത്രങ്ങൾ വിശകലനം ചെയ്തു.ഇനിപ്പറയുന്ന എല്ലാ മാനദണ്ഡങ്ങളും പാലിച്ചാൽ ഒരു ചിത്രത്തിന് ഗ്രേഡുചെയ്‌ത സ്‌കോർ 2 (യോഗ്യതയുള്ളത്) ഉണ്ട്: ചിത്രം ഫോവിയയിൽ കേന്ദ്രീകരിച്ചിരിക്കുന്നു (ചിത്രത്തിൻ്റെ മധ്യത്തിൽ നിന്ന് 100 പിക്‌സലുകളിൽ കുറവ്), MAS 1 അല്ലെങ്കിൽ 2 ആണ്, SAS 1 ആണ്, കൂടാതെ മീഡിയ അതാര്യത 1-ൽ താഴെയാണ്. വലുപ്പം / 16-ൻ്റെ ചിത്രങ്ങളിൽ അവതരിപ്പിക്കുക, 15/16-നേക്കാൾ വലിയ ചിത്രങ്ങളിൽ ചെറിയ കാപ്പിലറികൾ കാണപ്പെടുന്നു.ഇനിപ്പറയുന്ന ഏതെങ്കിലും മാനദണ്ഡങ്ങൾ പാലിക്കുന്നുണ്ടെങ്കിൽ ചിത്രം 0 ആയി റേറ്റുചെയ്യപ്പെടും (റേറ്റിംഗ് ഇല്ല): ചിത്രം ഓഫ് സെൻ്റർ ആണ്, MAS 4 ആണെങ്കിൽ, SAS 2 ആണെങ്കിൽ, അല്ലെങ്കിൽ ശരാശരി അതാര്യത ചിത്രത്തിൻ്റെ 1/4 ൽ കൂടുതലാണെങ്കിൽ, കൂടാതെ ചെറിയ കാപ്പിലറികൾ വേർതിരിച്ചറിയാൻ 1 ഇമേജ് /4 ൽ കൂടുതൽ ക്രമീകരിക്കാൻ കഴിയില്ല.സ്‌കോറിംഗ് മാനദണ്ഡം 0 അല്ലെങ്കിൽ 2 പാലിക്കാത്ത മറ്റ് എല്ലാ ചിത്രങ്ങളും 1 ആയി സ്‌കോർ ചെയ്‌തിരിക്കുന്നു (ക്ലിപ്പിംഗ്).
അത്തിപ്പഴത്തിൽ.സ്കെയിൽ ചെയ്ത ഓരോ എസ്റ്റിമേറ്റുകളുടെയും ഇമേജ് ആർട്ടിഫാക്‌റ്റുകളുടെയും മാതൃകാ ചിത്രങ്ങൾ 1 കാണിക്കുന്നു.വ്യക്തിഗത സ്‌കോറുകളുടെ ഇൻ്റർ-റേറ്റർ വിശ്വാസ്യത വിലയിരുത്തിയത് കോഹൻ്റെ കപ്പ വെയ്റ്റിംഗ്8 ആണ്.0 മുതൽ 4 വരെയുള്ള ഓരോ ചിത്രത്തിനും മൊത്തത്തിലുള്ള സ്‌കോർ ലഭിക്കുന്നതിന് ഓരോ റേറ്ററിൻ്റെയും വ്യക്തിഗത സ്‌കോറുകൾ സംഗ്രഹിച്ചിരിക്കുന്നു. ആകെ സ്‌കോർ 4 ഉള്ള ചിത്രങ്ങൾ മികച്ചതായി കണക്കാക്കുന്നു.മൊത്തം സ്കോർ 0 അല്ലെങ്കിൽ 1 ഉള്ള ചിത്രങ്ങൾ നിലവാരം കുറഞ്ഞതായി കണക്കാക്കുന്നു.
ഇമേജ് നെറ്റ് ഡാറ്റാബേസിൽ നിന്നുള്ള ചിത്രങ്ങളിൽ മുൻകൂട്ടി പരിശീലിപ്പിച്ച ഒരു ResNet152 ആർക്കിടെക്ചർ കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്ക് (ചിത്രം 3A.i) fast.ai, PyTorch ഫ്രെയിംവർക്ക് 5, 9, 10, 11 എന്നിവ ഉപയോഗിച്ച് സൃഷ്ടിച്ചതാണ്. പഠിച്ചത് ഉപയോഗിക്കുന്ന ഒരു നെറ്റ്‌വർക്കാണ് കൺവ്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്ക്. സ്ഥലവും പ്രാദേശികവുമായ സവിശേഷതകൾ പഠിക്കാൻ ചിത്ര ശകലങ്ങൾ സ്കാൻ ചെയ്യുന്നതിനുള്ള ഫിൽട്ടറുകൾ.ഞങ്ങളുടെ പരിശീലനം ലഭിച്ച റെസ്‌നെറ്റ് ഒരു 152-ലെയർ ന്യൂറൽ നെറ്റ്‌വർക്കാണ്, വിടവുകളോ “അവശിഷ്ട കണക്ഷനുകളോ” ഒന്നിലധികം റെസല്യൂഷനുകളോടെ ഒരേസമയം വിവരങ്ങൾ കൈമാറുന്നു.നെറ്റ്‌വർക്കിലൂടെ വ്യത്യസ്ത റെസല്യൂഷനുകളിൽ വിവരങ്ങൾ പ്രൊജക്റ്റ് ചെയ്യുന്നതിലൂടെ, പ്ലാറ്റ്‌ഫോമിന് ഗുണമേന്മ കുറഞ്ഞ ചിത്രങ്ങളുടെ സവിശേഷതകൾ ഒന്നിലധികം തലങ്ങളിൽ പഠിക്കാനാകും.ഞങ്ങളുടെ ResNet മോഡലിന് പുറമേ, താരതമ്യത്തിനായി കണക്ഷനുകൾ നഷ്‌ടപ്പെടാതെ നന്നായി പഠിച്ച ന്യൂറൽ നെറ്റ്‌വർക്ക് ആർക്കിടെക്ചറായ AlexNet-നെയും ഞങ്ങൾ പരിശീലിപ്പിച്ചു (ചിത്രം 3A.ii)12.കണക്ഷനുകൾ നഷ്‌ടപ്പെടാതെ, ഉയർന്ന ഗ്രാനുലാരിറ്റിയിൽ സവിശേഷതകൾ ക്യാപ്‌ചർ ചെയ്യാൻ ഈ നെറ്റ്‌വർക്കിന് കഴിയില്ല.
യഥാർത്ഥ 8\(\times\)8mm OCTA13 ഇമേജ് സെറ്റ് തിരശ്ചീനവും ലംബവുമായ പ്രതിഫലന സാങ്കേതികതകൾ ഉപയോഗിച്ച് മെച്ചപ്പെടുത്തിയിരിക്കുന്നു.സ്കിറ്റ് ലേൺ ടൂൾബോക്സ് പൈത്തൺ 14 ഉപയോഗിച്ച് പരിശീലനം (51.2%), ടെസ്റ്റിംഗ് (12.8%), ഹൈപ്പർപാരാമീറ്റർ ട്യൂണിംഗ് (16%), മൂല്യനിർണ്ണയം (20%) ഡാറ്റാസെറ്റുകൾ എന്നിങ്ങനെ മുഴുവൻ ഡാറ്റാസെറ്റും ഇമേജ് തലത്തിൽ ക്രമരഹിതമായി വിഭജിച്ചു.രണ്ട് കേസുകൾ പരിഗണിച്ചു, ഒന്ന് ഉയർന്ന ഗുണമേന്മയുള്ള ചിത്രങ്ങൾ (മൊത്തം സ്കോർ 4) കണ്ടെത്തുന്നതിനെ അടിസ്ഥാനമാക്കിയുള്ളതും മറ്റൊന്ന് ഏറ്റവും കുറഞ്ഞ നിലവാരമുള്ള ചിത്രങ്ങൾ മാത്രം കണ്ടെത്തുന്നതിനെ അടിസ്ഥാനമാക്കിയുള്ളതും (മൊത്തം സ്കോർ 0 അല്ലെങ്കിൽ 1).ഉയർന്ന നിലവാരമുള്ളതും കുറഞ്ഞ നിലവാരമുള്ളതുമായ ഓരോ ഉപയോഗത്തിനും, ന്യൂറൽ നെറ്റ്‌വർക്ക് ഞങ്ങളുടെ ഇമേജ് ഡാറ്റയിൽ ഒരിക്കൽ വീണ്ടും പരിശീലിപ്പിക്കപ്പെടുന്നു.ഓരോ ഉപയോഗ സാഹചര്യത്തിലും, ന്യൂറൽ നെറ്റ്‌വർക്ക് 10 യുഗങ്ങൾ പരിശീലിപ്പിക്കപ്പെട്ടു, ഏറ്റവും ഉയർന്ന ലെയർ വെയ്റ്റുകളൊഴികെ എല്ലാം മരവിപ്പിച്ചു, കൂടാതെ ക്രോസ്-എൻട്രോപ്പി ലോസ് ഫംഗ്‌ഷൻ 15 ഉപയോഗിച്ച് വിവേചനപരമായ ലേണിംഗ് റേറ്റ് രീതി ഉപയോഗിച്ച് എല്ലാ ആന്തരിക പാരാമീറ്ററുകളുടെയും ഭാരങ്ങൾ 40 കാലഘട്ടങ്ങളിൽ പഠിച്ചു. 16..പ്രവചിച്ച നെറ്റ്‌വർക്ക് ലേബലുകളും യഥാർത്ഥ ഡാറ്റയും തമ്മിലുള്ള പൊരുത്തക്കേടിൻ്റെ ലോഗരിഥമിക് സ്കെയിലിൻ്റെ അളവാണ് ക്രോസ് എൻട്രോപ്പി ലോസ് ഫംഗ്ഷൻ.പരിശീലന സമയത്ത്, നഷ്ടം കുറയ്ക്കുന്നതിന് ന്യൂറൽ നെറ്റ്‌വർക്കിൻ്റെ ആന്തരിക പാരാമീറ്ററുകളിൽ ഗ്രേഡിയൻ്റ് ഇറക്കം നടത്തുന്നു.2 റാൻഡം സ്റ്റാർട്ടിംഗ് പോയിൻ്റുകളും 10 ആവർത്തനങ്ങളും ഉപയോഗിച്ച് ബയേസിയൻ ഒപ്റ്റിമൈസേഷൻ ഉപയോഗിച്ച് പഠന നിരക്ക്, ഡ്രോപ്പ്ഔട്ട് നിരക്ക്, ഭാരം കുറയ്ക്കൽ ഹൈപ്പർപാരാമീറ്ററുകൾ എന്നിവ ട്യൂൺ ചെയ്തു, കൂടാതെ ഡാറ്റാസെറ്റിലെ AUC ഹൈപ്പർപാരാമീറ്ററുകൾ ഉപയോഗിച്ച് 17 എന്ന ലക്ഷ്യത്തോടെ ട്യൂൺ ചെയ്തു.
2 (A, B), 1 (C, D), 0 (E, F) സ്കോർ ചെയ്ത ഉപരിപ്ലവമായ കാപ്പിലറി പ്ലെക്സസിൻ്റെ 8 × 8 mm OCTA ചിത്രങ്ങളുടെ പ്രതിനിധി ഉദാഹരണങ്ങൾ.കാണിച്ചിരിക്കുന്ന ചിത്ര പുരാവസ്തുക്കളിൽ മിന്നുന്ന വരകൾ (അമ്പടയാളങ്ങൾ), സെഗ്മെൻ്റേഷൻ ആർട്ടിഫാക്റ്റുകൾ (നക്ഷത്രചിഹ്നങ്ങൾ), മീഡിയ അതാര്യത (അമ്പുകൾ) എന്നിവ ഉൾപ്പെടുന്നു.ചിത്രവും (ഇ) ഓഫ് സെൻ്റർ ആണ്.
എല്ലാ ന്യൂറൽ നെറ്റ്‌വർക്ക് മോഡലുകൾക്കും റിസീവർ ഓപ്പറേറ്റിംഗ് സവിശേഷതകൾ (ROC) കർവുകൾ ജനറേറ്റുചെയ്യുന്നു, കൂടാതെ ഓരോ താഴ്ന്ന നിലവാരമുള്ളതും ഉയർന്ന നിലവാരമുള്ളതുമായ ഉപയോഗ കേസുകൾക്കായി എഞ്ചിൻ സിഗ്നൽ ശക്തി റിപ്പോർട്ടുകൾ സൃഷ്ടിക്കപ്പെടുന്നു.പിആർഒസി ആർ പാക്കേജ് ഉപയോഗിച്ചാണ് വക്രത്തിന് കീഴിലുള്ള ഏരിയ (എയുസി) കണക്കാക്കിയത്, 95% ആത്മവിശ്വാസ ഇടവേളകളും പി-മൂല്യങ്ങളും ഡെലോംഗ് രീതി ഉപയോഗിച്ച് കണക്കാക്കി18,19.എല്ലാ ROC കണക്കുകൂട്ടലുകൾക്കും അടിസ്ഥാനമായി മനുഷ്യ റേറ്റർമാരുടെ ക്യുമുലേറ്റീവ് സ്കോറുകൾ ഉപയോഗിക്കുന്നു.മെഷീൻ റിപ്പോർട്ട് ചെയ്ത സിഗ്നൽ ശക്തിക്കായി, AUC രണ്ടുതവണ കണക്കാക്കി: ഉയർന്ന നിലവാരമുള്ള സ്‌കേലബിലിറ്റി സ്‌കോർ കട്ട്ഓഫിന് ഒരിക്കൽ, കുറഞ്ഞ നിലവാരമുള്ള സ്‌കേലബിലിറ്റി സ്‌കോർ കട്ട്ഓഫിന് ഒരിക്കൽ.ന്യൂറൽ നെറ്റ്‌വർക്കിനെ AUC സിഗ്നൽ ശക്തിയുമായി താരതമ്യപ്പെടുത്തുന്നു, അത് സ്വന്തം പരിശീലനവും മൂല്യനിർണ്ണയ സാഹചര്യങ്ങളും പ്രതിഫലിപ്പിക്കുന്നു.
പ്രത്യേക ഡാറ്റാസെറ്റിൽ പരിശീലനം ലഭിച്ച ഡീപ് ലേണിംഗ് മോഡൽ കൂടുതൽ പരിശോധിക്കുന്നതിന്, യേൽ യൂണിവേഴ്സിറ്റിയിൽ നിന്ന് ശേഖരിച്ച 32 ഫുൾ ഫെയ്സ് 6\(\times\) 6mm ഉപരിതല സ്ലാബ് ചിത്രങ്ങളുടെ പ്രകടന മൂല്യനിർണ്ണയത്തിന് ഉയർന്ന നിലവാരമുള്ളതും കുറഞ്ഞ നിലവാരമുള്ളതുമായ മോഡലുകൾ നേരിട്ട് പ്രയോഗിച്ചു.ഇമേജ് 8 \(\times \) 8 mm അതേ സമയം തന്നെ ഐ മാസ് കേന്ദ്രീകരിച്ചിരിക്കുന്നു.6\(\×\) 6 എംഎം ചിത്രങ്ങൾ 8\(\×\) 8 എംഎം ഇമേജുകൾ പോലെ അതേ റേറ്റർമാർ (ആർഡി, ജെഡബ്ല്യു) സ്വമേധയാ വിലയിരുത്തി, എയുസിയും കൃത്യതയും കോഹൻ്റെ കപ്പയും കണക്കാക്കി. .തുല്യ .
ക്ലാസ് അസന്തുലിതാവസ്ഥ അനുപാതം കുറഞ്ഞ നിലവാരമുള്ള മോഡലിന് 158:189 (\(\rho = 1.19\)) ഉം ഉയർന്ന നിലവാരമുള്ള മോഡലിന് 80:267 (\(\rho = 3.3\)) ആണ്.ക്ലാസ് അസന്തുലിത അനുപാതം 1:4-ൽ കുറവായതിനാൽ, ക്ലാസ് അസന്തുലിതാവസ്ഥ 20,21 ശരിയാക്കാൻ പ്രത്യേക വാസ്തുവിദ്യാ മാറ്റങ്ങളൊന്നും വരുത്തിയിട്ടില്ല.
പഠന പ്രക്രിയ നന്നായി ദൃശ്യവൽക്കരിക്കുന്നതിന്, പരിശീലനം ലഭിച്ച നാല് ആഴത്തിലുള്ള പഠന മോഡലുകൾക്കും ക്ലാസ് ആക്ടിവേഷൻ മാപ്പുകൾ സൃഷ്ടിച്ചു: ഉയർന്ന നിലവാരമുള്ള ResNet152 മോഡൽ, കുറഞ്ഞ നിലവാരമുള്ള ResNet152 മോഡൽ, ഉയർന്ന നിലവാരമുള്ള AlexNet മോഡൽ, കുറഞ്ഞ നിലവാരമുള്ള AlexNet മോഡൽ.ഈ നാല് മോഡലുകളുടെ ഇൻപുട്ട് കൺവല്യൂഷണൽ ലെയറുകളിൽ നിന്നാണ് ക്ലാസ് ആക്റ്റിവേഷൻ മാപ്പുകൾ ജനറേറ്റുചെയ്യുന്നത്, കൂടാതെ 8 × 8 എംഎം, 6 × 6 എംഎം മൂല്യനിർണ്ണയ സെറ്റുകളിൽ നിന്നുള്ള സോഴ്‌സ് ഇമേജുകൾ ഉപയോഗിച്ച് ആക്റ്റിവേഷൻ മാപ്പുകൾ ഓവർലേ ചെയ്‌ത് ഹീറ്റ് മാപ്പുകൾ ജനറേറ്റുചെയ്യുന്നു22, 23.
എല്ലാ സ്റ്റാറ്റിസ്റ്റിക്കൽ കണക്കുകൂട്ടലുകൾക്കും R പതിപ്പ് 4.0.3 ഉപയോഗിച്ചു, കൂടാതെ ggplot2 ഗ്രാഫിക്സ് ടൂൾ ലൈബ്രറി ഉപയോഗിച്ച് വിഷ്വലൈസേഷനുകൾ സൃഷ്ടിച്ചു.
134 ആളുകളിൽ നിന്ന് 8 \(\ തവണ \)8 മില്ലിമീറ്റർ വലിപ്പമുള്ള ഉപരിപ്ലവമായ കാപ്പിലറി പ്ലെക്സസിൻ്റെ 347 മുൻഭാഗ ചിത്രങ്ങൾ ഞങ്ങൾ ശേഖരിച്ചു.മെഷീൻ എല്ലാ ചിത്രങ്ങൾക്കും 0 മുതൽ 10 വരെയുള്ള സ്കെയിലിൽ സിഗ്നൽ ശക്തി റിപ്പോർട്ട് ചെയ്തു (അർത്ഥം = 6.99 ± 2.29).ലഭിച്ച 347 ചിത്രങ്ങളിൽ, പരിശോധനയിലെ ശരാശരി പ്രായം 58.7 ± 14.6 വയസ്സായിരുന്നു, 39.2% പുരുഷ രോഗികളിൽ നിന്നുള്ളതാണ്.എല്ലാ ചിത്രങ്ങളിലും, 30.8% കൊക്കേഷ്യക്കാരിൽ നിന്നും, 32.6% കറുത്തവരിൽ നിന്നും, 30.8% ഹിസ്പാനിക്സിൽ നിന്നും, 4% ഏഷ്യക്കാരിൽ നിന്നും, 1.7% മറ്റ് വംശങ്ങളിൽ നിന്നും (പട്ടിക 1).).OCTA ഉള്ള രോഗികളുടെ പ്രായ വിതരണത്തിൽ ചിത്രത്തിൻ്റെ ഗുണനിലവാരം അനുസരിച്ച് കാര്യമായ വ്യത്യാസമുണ്ട് (p <0.001).18-45 വയസ് പ്രായമുള്ള ചെറുപ്പക്കാരായ രോഗികളിൽ ഉയർന്ന നിലവാരമുള്ള ചിത്രങ്ങളുടെ ശതമാനം 33.8% ആയിരുന്നു, താഴ്ന്ന നിലവാരമുള്ള ചിത്രങ്ങളുടെ 12.2% (പട്ടിക 1).ഡയബറ്റിക് റെറ്റിനോപ്പതി നിലയുടെ വിതരണവും ചിത്രത്തിൻ്റെ ഗുണനിലവാരത്തിൽ കാര്യമായ വ്യത്യാസമുണ്ട് (p <0.017).എല്ലാ ഉയർന്ന നിലവാരമുള്ള ചിത്രങ്ങളിലും, PDR ഉള്ള രോഗികളുടെ ശതമാനം 18.8% ആയിരുന്നു, എല്ലാ താഴ്ന്ന നിലവാരമുള്ള ചിത്രങ്ങളുടെയും 38.8% (പട്ടിക 1).
എല്ലാ ചിത്രങ്ങളുടെയും വ്യക്തിഗത റേറ്റിംഗുകൾ ഇമേജുകൾ വായിക്കുന്ന ആളുകൾക്കിടയിൽ മിതമായതും ശക്തവുമായ ഇൻ്റർ-റേറ്റിംഗ് വിശ്വാസ്യത കാണിക്കുന്നു (കോഹൻ്റെ വെയ്റ്റഡ് കപ്പ = 0.79, 95% CI: 0.76-0.82), കൂടാതെ റേറ്ററുകൾ 1-ൽ കൂടുതൽ വ്യത്യാസമുള്ള ഇമേജ് പോയിൻ്റുകളൊന്നും ഉണ്ടായിരുന്നില്ല (ചിത്രം. 2A)..സിഗ്നൽ തീവ്രത മാനുവൽ സ്‌കോറിംഗുമായി കാര്യമായി ബന്ധപ്പെട്ടിരിക്കുന്നു (പിയേഴ്സൺ ഉൽപ്പന്ന മൊമെൻ്റ് കോറിലേഷൻ = 0.58, 95% CI 0.51–0.65, p<0.001), എന്നാൽ പല ചിത്രങ്ങളും ഉയർന്ന സിഗ്നൽ തീവ്രതയുള്ളതും എന്നാൽ കുറഞ്ഞ മാനുവൽ സ്‌കോറിംഗും (ചിത്രം .2B) തിരിച്ചറിഞ്ഞു.
ResNet152, AlexNet ആർക്കിടെക്ചറുകളുടെ പരിശീലന വേളയിൽ, മൂല്യനിർണ്ണയത്തിലും പരിശീലനത്തിലും ക്രോസ്-എൻട്രോപ്പി നഷ്ടം 50 യുഗങ്ങളിൽ കുറയുന്നു (ചിത്രം 3B,C).അവസാന പരിശീലന കാലഘട്ടത്തിലെ മൂല്യനിർണ്ണയ കൃത്യത ഉയർന്ന നിലവാരമുള്ളതും കുറഞ്ഞ നിലവാരമുള്ളതുമായ ഉപയോഗ കേസുകളിൽ 90%-ത്തിലധികമാണ്.
കുറഞ്ഞതും ഉയർന്ന നിലവാരമുള്ളതുമായ ഉപയോഗ സന്ദർഭങ്ങളിൽ (p <0.001) മെഷീൻ റിപ്പോർട്ട് ചെയ്ത സിഗ്നൽ ശക്തിയെ ResNet152 മോഡൽ ഗണ്യമായി മറികടക്കുന്നുവെന്ന് റിസീവർ പ്രകടന കർവുകൾ കാണിക്കുന്നു.ResNet152 മോഡൽ AlexNet ആർക്കിടെക്ചറിനെ ഗണ്യമായി മറികടക്കുന്നു (യഥാക്രമം കുറഞ്ഞ നിലവാരമുള്ളതും ഉയർന്ന നിലവാരമുള്ളതുമായ കേസുകൾക്ക് p = 0.005, p = 0.014).ഈ ഓരോ ടാസ്‌ക്കുകൾക്കുമുള്ള തത്ഫലമായുണ്ടാകുന്ന മോഡലുകൾക്ക് യഥാക്രമം 0.99, 0.97 എയുസി മൂല്യങ്ങൾ നേടാൻ കഴിഞ്ഞു, ഇത് മെഷീൻ സിഗ്നൽ ശക്തി സൂചികയ്‌ക്കുള്ള അനുബന്ധ AUC മൂല്യങ്ങളായ 0.82, 0.78 അല്ലെങ്കിൽ അലക്‌സ്‌നെറ്റിന് 0.97, 0.94 എന്നിവയേക്കാൾ മികച്ചതാണ്. ..(ചിത്രം 3).ഉയർന്ന നിലവാരമുള്ള ചിത്രങ്ങൾ തിരിച്ചറിയുമ്പോൾ സിഗ്നൽ ശക്തിയിൽ റെസ്‌നെറ്റും എയുസിയും തമ്മിലുള്ള വ്യത്യാസം കൂടുതലാണ്, ഇത് ഈ ടാസ്‌ക്കിനായി റെസ്‌നെറ്റ് ഉപയോഗിക്കുന്നതിൻ്റെ അധിക നേട്ടങ്ങളെ സൂചിപ്പിക്കുന്നു.
മെഷീൻ റിപ്പോർട്ട് ചെയ്യുന്ന സിഗ്നൽ ശക്തിയുമായി സ്കോർ ചെയ്യാനും താരതമ്യം ചെയ്യാനും ഓരോ സ്വതന്ത്ര റേറ്ററിൻ്റെ കഴിവും ഗ്രാഫുകൾ കാണിക്കുന്നു.(എ) വിലയിരുത്തേണ്ട പോയിൻ്റുകളുടെ ആകെത്തുക മൂല്യനിർണ്ണയം ചെയ്യേണ്ട പോയിൻ്റുകളുടെ ആകെ എണ്ണം സൃഷ്ടിക്കാൻ ഉപയോഗിക്കുന്നു.മൊത്തത്തിലുള്ള സ്‌കേലബിലിറ്റി സ്‌കോർ 4 ഉള്ള ചിത്രങ്ങൾക്ക് ഉയർന്ന നിലവാരമാണ് നൽകിയിരിക്കുന്നത്, അതേസമയം മൊത്തത്തിലുള്ള സ്‌കേലബിലിറ്റി സ്‌കോർ 1 അല്ലെങ്കിൽ അതിൽ കുറവുള്ള ചിത്രങ്ങൾ കുറഞ്ഞ നിലവാരമാണ് നൽകിയിരിക്കുന്നത്.(B) സിഗ്നൽ തീവ്രത മാനുവൽ എസ്റ്റിമേറ്റുകളുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു, എന്നാൽ ഉയർന്ന സിഗ്നൽ തീവ്രതയുള്ള ചിത്രങ്ങൾ മോശം ഗുണനിലവാരമുള്ളതായിരിക്കാം.സിഗ്നൽ ശക്തി (സിഗ്നൽ ശക്തി \(\ge\)6) അടിസ്ഥാനമാക്കി നിർമ്മാതാവ് ശുപാർശ ചെയ്യുന്ന ഗുണനിലവാര പരിധി ചുവന്ന ഡോട്ട് ലൈൻ സൂചിപ്പിക്കുന്നു.
മെഷീൻ-റിപ്പോർട്ട് ചെയ്ത സിഗ്നൽ ലെവലുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, കുറഞ്ഞ നിലവാരമുള്ളതും ഉയർന്ന നിലവാരമുള്ളതുമായ ഉപയോഗ കേസുകൾക്കായി റെസ്‌നെറ്റ് ട്രാൻസ്ഫർ ലേണിംഗ് ഇമേജ് ക്വാളിറ്റി ഐഡൻ്റിഫിക്കേഷനിൽ കാര്യമായ പുരോഗതി നൽകുന്നു.(A) പ്രീ-ട്രെയിൻഡ് (i) ResNet152, (ii) AlexNet ആർക്കിടെക്ചറുകളുടെ ലളിതമായ ആർക്കിടെക്ചർ ഡയഗ്രമുകൾ.(B) മെഷീൻ റിപ്പോർട്ട് ചെയ്ത സിഗ്നൽ ശക്തിയും AlexNet നിലവാരം കുറഞ്ഞ മാനദണ്ഡവുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ResNet152 നായുള്ള പരിശീലന ചരിത്രവും റിസീവർ പ്രകടന കർവുകളും.(C) ResNet152 റിസീവർ പരിശീലന ചരിത്രവും മെഷീൻ റിപ്പോർട്ട് ചെയ്ത സിഗ്നൽ ശക്തിയും AlexNet ഉയർന്ന നിലവാരമുള്ള മാനദണ്ഡവുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ പ്രകടന വക്രങ്ങളും.
ഡിസിഷൻ ബൗണ്ടറി ത്രെഷോൾഡ് ക്രമീകരിച്ച ശേഷം, ResNet152 മോഡലിൻ്റെ പരമാവധി പ്രവചന കൃത്യത കുറഞ്ഞ നിലവാരമുള്ള കേസിന് 95.3% ഉം ഉയർന്ന നിലവാരമുള്ള കേസിന് 93.5% ഉം ആണ് (പട്ടിക 2).AlexNet മോഡലിൻ്റെ പരമാവധി പ്രവചന കൃത്യത കുറഞ്ഞ നിലവാരമുള്ള കേസിന് 91.0% ഉം ഉയർന്ന നിലവാരമുള്ള കേസിന് 90.1% ഉം ആണ് (പട്ടിക 2).കുറഞ്ഞ നിലവാരമുള്ള ഉപയോഗ കേസിൽ പരമാവധി സിഗ്നൽ ശക്തി പ്രവചന കൃത്യത 76.1% ഉം ഉയർന്ന നിലവാരമുള്ള ഉപയോഗ കേസിന് 77.8% ഉം ആണ്.Cohen's kappa (\(\kappa\)) അനുസരിച്ച്, ResNet152 മോഡലും എസ്റ്റിമേറ്ററുകളും തമ്മിലുള്ള കരാർ നിലവാരം കുറഞ്ഞ കേസിന് 0.90 ഉം ഉയർന്ന നിലവാരമുള്ള കേസിന് 0.81 ഉം ആണ്.കുറഞ്ഞ നിലവാരമുള്ളതും ഉയർന്ന നിലവാരമുള്ളതുമായ ഉപയോഗ കേസുകൾക്ക് യഥാക്രമം 0.82 ഉം 0.71 ഉം ആണ് Cohen's AlexNet kappa.കുറഞ്ഞതും ഉയർന്ന നിലവാരമുള്ളതുമായ ഉപയോഗ കേസുകൾക്ക് യഥാക്രമം 0.52 ഉം 0.27 ഉം ആണ് കോഹൻ്റെ സിഗ്നൽ ശക്തി കപ്പ.
6 എംഎം ഫ്ലാറ്റ് പ്ലേറ്റിൻ്റെ 6\(\x\) ഇമേജുകളിൽ ഉയർന്നതും താഴ്ന്ന നിലവാരമുള്ളതുമായ തിരിച്ചറിയൽ മോഡലുകളുടെ മൂല്യനിർണ്ണയം, വിവിധ ഇമേജിംഗ് പാരാമീറ്ററുകളിലുടനീളം ചിത്രത്തിൻ്റെ ഗുണനിലവാരം നിർണ്ണയിക്കുന്നതിനുള്ള പരിശീലനം ലഭിച്ച മോഡലിൻ്റെ കഴിവ് തെളിയിക്കുന്നു.ഇമേജിംഗ് ഗുണനിലവാരത്തിനായി 6\(\x\) 6 mm ആഴം കുറഞ്ഞ സ്ലാബുകൾ ഉപയോഗിക്കുമ്പോൾ, നിലവാരം കുറഞ്ഞ മോഡലിന് 0.83 (95% CI: 0.69–0.98) AUC ഉണ്ടായിരുന്നു, ഉയർന്ന നിലവാരമുള്ള മോഡലിന് 0.85 AUC ഉണ്ടായിരുന്നു.(95% CI: 0.55–1.00) (പട്ടിക 2).
ഇൻപുട്ട് ലെയർ ക്ലാസ് ആക്ടിവേഷൻ മാപ്പുകളുടെ വിഷ്വൽ പരിശോധന, പരിശീലനം ലഭിച്ച എല്ലാ ന്യൂറൽ നെറ്റ്‌വർക്കുകളും ഇമേജ് വർഗ്ഗീകരണ സമയത്ത് ഇമേജ് സവിശേഷതകൾ ഉപയോഗിച്ചതായി കാണിച്ചു (ചിത്രം 4A, B).8 \(\times \) 8 mm, 6 \(\times \) 6 mm ചിത്രങ്ങൾക്ക്, ResNet സജീവമാക്കൽ ചിത്രങ്ങൾ റെറ്റിന വാസ്കുലേച്ചറിനെ അടുത്ത് പിന്തുടരുന്നു.AlexNet ആക്ടിവേഷൻ മാപ്പുകളും റെറ്റിന പാത്രങ്ങളെ പിന്തുടരുന്നു, പക്ഷേ ദൃഢമായ റെസല്യൂഷനോടുകൂടിയാണ്.
ResNet152, AlexNet മോഡലുകൾക്കായുള്ള ക്ലാസ് ആക്റ്റിവേഷൻ മാപ്പുകൾ ചിത്രത്തിൻ്റെ ഗുണനിലവാരവുമായി ബന്ധപ്പെട്ട സവിശേഷതകൾ എടുത്തുകാണിക്കുന്നു.(A) 8 \(\ തവണ \) 8 mm മൂല്യനിർണ്ണയ ചിത്രങ്ങളിലും (B) വ്യാപ്തി ചെറിയ 6 \(\times \) 6 mm മൂല്യനിർണ്ണയ ചിത്രങ്ങളിലും ഉപരിപ്ലവമായ റെറ്റിന വാസ്കുലേച്ചറിന് ശേഷം യോജിച്ച സജീവമാക്കൽ കാണിക്കുന്ന ക്ലാസ് ആക്ടിവേഷൻ മാപ്പ്.കുറഞ്ഞ നിലവാരമുള്ള മാനദണ്ഡങ്ങളിൽ പരിശീലിപ്പിച്ച എൽക്യു മോഡൽ, ഉയർന്ന നിലവാരമുള്ള മാനദണ്ഡങ്ങളിൽ പരിശീലിപ്പിച്ച എച്ച്ക്യു മോഡൽ.
ചിത്രത്തിൻ്റെ ഗുണനിലവാരം OCTA ഇമേജുകളുടെ ഏത് അളവിനെയും വളരെയധികം ബാധിക്കുമെന്ന് മുമ്പ് കാണിച്ചിരുന്നു.കൂടാതെ, റെറ്റിനോപ്പതിയുടെ സാന്നിധ്യം ഇമേജ് ആർട്ടിഫാക്റ്റുകളുടെ സംഭവവികാസങ്ങൾ വർദ്ധിപ്പിക്കുന്നു7,26.വാസ്തവത്തിൽ, ഞങ്ങളുടെ ഡാറ്റയിൽ, മുമ്പത്തെ പഠനങ്ങളുമായി പൊരുത്തപ്പെടുന്ന, റെറ്റിന രോഗത്തിൻ്റെ പ്രായവും തീവ്രതയും വർദ്ധിക്കുന്നതും ചിത്രത്തിൻ്റെ ഗുണനിലവാരത്തിലെ അപചയവും തമ്മിൽ ഒരു സുപ്രധാന ബന്ധം ഞങ്ങൾ കണ്ടെത്തി (യഥാക്രമം പ്രായത്തിനും DR നിലയ്ക്കും p <0.001, p = 0.017; പട്ടിക 1) 27 അതിനാൽ, OCTA ഇമേജുകളുടെ ഏതെങ്കിലും അളവ് വിശകലനം നടത്തുന്നതിന് മുമ്പ് ചിത്രത്തിൻ്റെ ഗുണനിലവാരം വിലയിരുത്തേണ്ടത് പ്രധാനമാണ്.OCTA ഇമേജുകൾ വിശകലനം ചെയ്യുന്ന മിക്ക പഠനങ്ങളും കുറഞ്ഞ നിലവാരമുള്ള ചിത്രങ്ങൾ ഒഴിവാക്കാൻ മെഷീൻ റിപ്പോർട്ട് ചെയ്ത സിഗ്നൽ തീവ്രത ത്രെഷോൾഡുകൾ ഉപയോഗിക്കുന്നു.സിഗ്നൽ തീവ്രത OCTA പാരാമീറ്ററുകളുടെ അളവിനെ ബാധിക്കുന്നതായി കാണിച്ചിട്ടുണ്ടെങ്കിലും, ഇമേജ് ആർട്ടിഫാക്‌റ്റുകൾ ഉള്ള ഇമേജുകൾ ഒഴിവാക്കുന്നതിന് ഉയർന്ന സിഗ്നൽ തീവ്രത മാത്രം മതിയാകില്ല.അതിനാൽ, ചിത്രത്തിൻ്റെ ഗുണനിലവാര നിയന്ത്രണത്തിൻ്റെ കൂടുതൽ വിശ്വസനീയമായ രീതി വികസിപ്പിക്കേണ്ടത് ആവശ്യമാണ്.ഇതിനായി, മെഷീൻ റിപ്പോർട്ടുചെയ്ത സിഗ്നൽ ശക്തിക്കെതിരെ മേൽനോട്ടത്തിലുള്ള ആഴത്തിലുള്ള പഠന രീതികളുടെ പ്രകടനം ഞങ്ങൾ വിലയിരുത്തുന്നു.
വ്യത്യസ്‌ത OCTA ഉപയോഗ കേസുകൾക്ക് വ്യത്യസ്‌ത ഇമേജ് ക്വാളിറ്റി ആവശ്യകതകൾ ഉണ്ടായിരിക്കാമെന്നതിനാൽ ചിത്രത്തിൻ്റെ ഗുണനിലവാരം വിലയിരുത്തുന്നതിന് ഞങ്ങൾ നിരവധി മോഡലുകൾ വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്.ഉദാഹരണത്തിന്, ചിത്രങ്ങൾ ഉയർന്ന നിലവാരമുള്ളതായിരിക്കണം.കൂടാതെ, താൽപ്പര്യത്തിൻ്റെ പ്രത്യേക അളവ് പരാമീറ്ററുകളും പ്രധാനമാണ്.ഉദാഹരണത്തിന്, ഫോവൽ അവസ്കുലർ സോണിൻ്റെ വിസ്തീർണ്ണം നോൺ-സെൻട്രൽ മീഡിയത്തിൻ്റെ പ്രക്ഷുബ്ധതയെ ആശ്രയിക്കുന്നില്ല, മറിച്ച് പാത്രങ്ങളുടെ സാന്ദ്രതയെ ബാധിക്കുന്നു.ഞങ്ങളുടെ ഗവേഷണം ചിത്രത്തിൻ്റെ ഗുണനിലവാരത്തിനായുള്ള പൊതുവായ സമീപനത്തിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത് തുടരുമ്പോൾ, ഏതെങ്കിലും പ്രത്യേക പരിശോധനയുടെ ആവശ്യകതകളുമായി ബന്ധിപ്പിച്ചിട്ടില്ല, എന്നാൽ മെഷീൻ റിപ്പോർട്ട് ചെയ്യുന്ന സിഗ്നൽ ശക്തി നേരിട്ട് മാറ്റിസ്ഥാപിക്കാൻ ഉദ്ദേശിച്ചുള്ളതാണ്, ഉപയോക്താക്കൾക്ക് കൂടുതൽ നിയന്ത്രണം നൽകുമെന്ന് ഞങ്ങൾ പ്രതീക്ഷിക്കുന്നു. ഉപയോക്താവിന് താൽപ്പര്യമുള്ള നിർദ്ദിഷ്ട മെട്രിക് തിരഞ്ഞെടുക്കാനാകും.സ്വീകാര്യമായി കണക്കാക്കുന്ന ഇമേജ് ആർട്ടിഫാക്‌റ്റുകളുടെ പരമാവധി ഡിഗ്രിയുമായി പൊരുത്തപ്പെടുന്ന ഒരു മോഡൽ തിരഞ്ഞെടുക്കുക.
നിലവാരം കുറഞ്ഞതും ഉയർന്ന നിലവാരമുള്ളതുമായ സീനുകൾക്കായി, യഥാക്രമം 0.97, 0.99, നിലവാരം കുറഞ്ഞ മോഡലുകൾ ഉള്ള AUC-കൾ ഉള്ള കണക്ഷൻ-നഷ്‌ടമായ ആഴത്തിലുള്ള കൺവ്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ മികച്ച പ്രകടനം ഞങ്ങൾ കാണിക്കുന്നു.മെഷീനുകൾ മാത്രം റിപ്പോർട്ട് ചെയ്യുന്ന സിഗ്നൽ ലെവലുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ഞങ്ങളുടെ ആഴത്തിലുള്ള പഠന സമീപനത്തിൻ്റെ മികച്ച പ്രകടനവും ഞങ്ങൾ പ്രകടമാക്കുന്നു.സ്‌കിപ്പ് കണക്ഷനുകൾ ന്യൂറൽ നെറ്റ്‌വർക്കുകളെ ഒന്നിലധികം തലത്തിലുള്ള വിശദാംശങ്ങളിൽ സവിശേഷതകൾ പഠിക്കാൻ അനുവദിക്കുന്നു, ചിത്രങ്ങളുടെ സൂക്ഷ്മമായ വശങ്ങൾ (ഉദാഹരണത്തിന് കോൺട്രാസ്റ്റ്) അതുപോലെ പൊതുവായ സവിശേഷതകളും (ഉദാഹരണത്തിന് ഇമേജ് സെൻ്റർ ചെയ്യൽ30,31).ചിത്രത്തിൻ്റെ ഗുണനിലവാരത്തെ ബാധിക്കുന്ന ഇമേജ് ആർട്ടിഫാക്‌റ്റുകൾ വിശാലമായ ശ്രേണിയിൽ നന്നായി തിരിച്ചറിയപ്പെടുമെന്നതിനാൽ, നഷ്‌ടമായ കണക്ഷനുകളുള്ള ന്യൂറൽ നെറ്റ്‌വർക്ക് ആർക്കിടെക്ചറുകൾ ചിത്രത്തിൻ്റെ ഗുണനിലവാരം നിർണ്ണയിക്കുന്ന ടാസ്‌ക്കുകളില്ലാത്തതിനേക്കാൾ മികച്ച പ്രകടനം കാഴ്ചവെച്ചേക്കാം.
6\(\×6mm) OCTA ഇമേജുകളിൽ ഞങ്ങളുടെ മോഡൽ പരീക്ഷിക്കുമ്പോൾ, വർഗ്ഗീകരണത്തിനായി പരിശീലിപ്പിച്ച മോഡലിൻ്റെ വലുപ്പത്തിൽ നിന്ന് വ്യത്യസ്തമായി, ഉയർന്ന നിലവാരമുള്ളതും കുറഞ്ഞ നിലവാരമുള്ളതുമായ മോഡലുകളുടെ (ചിത്രം 2) വർഗ്ഗീകരണ പ്രകടനം കുറയുന്നത് ഞങ്ങൾ ശ്രദ്ധിച്ചു.ResNet മോഡലുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, AlexNet മോഡലിന് വലിയ വീഴ്ചയുണ്ട്.ResNet-ൻ്റെ താരതമ്യേന മെച്ചപ്പെട്ട പ്രകടനം, ഒന്നിലധികം സ്കെയിലുകളിൽ വിവരങ്ങൾ കൈമാറാനുള്ള ശേഷിക്കുന്ന കണക്ഷനുകളുടെ കഴിവ് കൊണ്ടായിരിക്കാം, ഇത് വ്യത്യസ്ത സ്കെയിലുകളിലും/അല്ലെങ്കിൽ മാഗ്നിഫിക്കേഷനുകളിലും പകർത്തിയ ചിത്രങ്ങളെ തരംതിരിക്കാൻ മോഡലിനെ കൂടുതൽ കരുത്തുറ്റതാക്കുന്നു.
8 \(\×\) 8 mm ചിത്രങ്ങളും 6 \(\×\) 6 mm ചിത്രങ്ങളും തമ്മിലുള്ള ചില വ്യത്യാസങ്ങൾ മോശം വർഗ്ഗീകരണത്തിലേക്ക് നയിച്ചേക്കാം, ഫോവൽ അവസ്‌കുലർ ഏരിയകൾ, ദൃശ്യപരതയിലെ മാറ്റങ്ങൾ, വാസ്കുലർ ആർക്കേഡുകൾ എന്നിവ അടങ്ങിയ ചിത്രങ്ങളുടെ താരതമ്യേന ഉയർന്ന അനുപാതം ഉൾപ്പെടെ. 6×6 മിമി ചിത്രത്തിൽ ഒപ്റ്റിക് നാഡി ഇല്ല.ഇതൊക്കെയാണെങ്കിലും, ഞങ്ങളുടെ ഉയർന്ന നിലവാരമുള്ള ResNet മോഡലിന് 6 \(\x\) 6 mm ഇമേജുകൾക്ക് 85% AUC നേടാൻ കഴിഞ്ഞു, മോഡൽ പരിശീലിപ്പിക്കാത്ത കോൺഫിഗറേഷൻ, ന്യൂറൽ നെറ്റ്‌വർക്കിൽ എൻകോഡ് ചെയ്‌ത ചിത്രത്തിൻ്റെ ഗുണനിലവാര വിവരങ്ങൾ നിർദ്ദേശിക്കുന്നു. അനുയോജ്യമാണ്.പരിശീലനത്തിന് പുറത്തുള്ള ഒരു ഇമേജ് വലുപ്പത്തിനോ മെഷീൻ കോൺഫിഗറേഷനോ വേണ്ടി (പട്ടിക 2).ആശ്വാസകരമെന്നു പറയട്ടെ, 8 \(\times \) 8 mm, 6 \(\times \) 6 mm ചിത്രങ്ങളുടെ ResNet- ഉം AlexNet-ഉം പോലുള്ള ആക്ടിവേഷൻ മാപ്പുകൾ രണ്ട് സാഹചര്യങ്ങളിലും റെറ്റിന പാത്രങ്ങളെ ഹൈലൈറ്റ് ചെയ്യാൻ കഴിഞ്ഞു, ഇത് മോഡലിന് പ്രധാനപ്പെട്ട വിവരങ്ങൾ ഉണ്ടെന്ന് സൂചിപ്പിക്കുന്നു.രണ്ട് തരത്തിലുള്ള OCTA ഇമേജുകളും തരംതിരിക്കുന്നതിന് ബാധകമാണ് (ചിത്രം 4).
ലോവർമാൻ തുടങ്ങിയവർ.OCTA ചിത്രങ്ങളിലെ ഇമേജ് ക്വാളിറ്റി അസെസ്‌മെൻ്റും സമാനമായി ഇൻസെപ്ഷൻ ആർക്കിടെക്ചർ ഉപയോഗിച്ചാണ് നടത്തിയത്, മറ്റൊരു സ്‌കിപ്പ്-കണക്ഷൻ കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്ക് 6,32 ആഴത്തിലുള്ള പഠന സാങ്കേതികതകൾ ഉപയോഗിച്ച്.ഉപരിപ്ലവമായ കാപ്പിലറി പ്ലെക്സസിൻ്റെ ചിത്രങ്ങളിലേക്ക് അവർ പഠനം പരിമിതപ്പെടുത്തി, എന്നാൽ Optovue AngioVue-യിൽ നിന്നുള്ള ചെറിയ 3×3 mm ചിത്രങ്ങൾ മാത്രം ഉപയോഗിച്ചു, എന്നിരുന്നാലും വിവിധ chorioretinal രോഗങ്ങളുള്ള രോഗികളും ഉൾപ്പെടുത്തിയിട്ടുണ്ട്.വ്യത്യസ്‌ത ഇമേജ് ക്വാളിറ്റി ത്രെഷോൾഡുകളെ അഭിസംബോധന ചെയ്യുന്നതിനും വ്യത്യസ്‌ത വലുപ്പത്തിലുള്ള ചിത്രങ്ങൾക്കായുള്ള ഫലങ്ങൾ സാധൂകരിക്കുന്നതിനുമുള്ള ഒന്നിലധികം മോഡലുകൾ ഉൾപ്പെടെ, അവയുടെ അടിത്തറയിലാണ് ഞങ്ങളുടെ പ്രവർത്തനം നിർമ്മിക്കുന്നത്.ഞങ്ങൾ മെഷീൻ ലേണിംഗ് മോഡലുകളുടെ AUC മെട്രിക് റിപ്പോർട്ടുചെയ്യുകയും കുറഞ്ഞ നിലവാരമുള്ള (96%) ഉയർന്ന നിലവാരമുള്ള (95.7%) മോഡലുകൾക്ക് ഇതിനകം തന്നെ ശ്രദ്ധേയമായ കൃത്യത (90%)6 വർദ്ധിപ്പിക്കുകയും ചെയ്യുന്നു.
ഈ പരിശീലനത്തിന് നിരവധി പരിമിതികളുണ്ട്.ആദ്യം, 8\(\times\)8 mm, 6\(\times\)6 mm എന്നീ ഉപരിപ്ലവമായ കാപ്പിലറി പ്ലെക്സസിൻ്റെ ചിത്രങ്ങൾ മാത്രം ഉൾപ്പെടുന്ന ഒരു OCTA യന്ത്രം ഉപയോഗിച്ചാണ് ചിത്രങ്ങൾ നേടിയത്.ആഴത്തിലുള്ള പാളികളിൽ നിന്ന് ചിത്രങ്ങൾ ഒഴിവാക്കാനുള്ള കാരണം, പ്രൊജക്ഷൻ ആർട്ടിഫാക്‌റ്റുകൾക്ക് ചിത്രങ്ങളുടെ മാനുവൽ മൂല്യനിർണ്ണയം കൂടുതൽ ബുദ്ധിമുട്ടുള്ളതും ഒരുപക്ഷേ സ്ഥിരത കുറവുമാക്കാൻ കഴിയും എന്നതാണ്.കൂടാതെ, പ്രമേഹ രോഗികളിൽ മാത്രമേ ചിത്രങ്ങൾ നേടിയിട്ടുള്ളൂ, അവർക്ക് OCTA ഒരു പ്രധാന ഡയഗ്നോസ്റ്റിക്, പ്രോഗ്നോസ്റ്റിക് ഉപകരണമായി ഉയർന്നുവരുന്നു33,34.ഫലങ്ങൾ ശക്തമാണെന്ന് ഉറപ്പാക്കാൻ വ്യത്യസ്ത വലുപ്പത്തിലുള്ള ചിത്രങ്ങളിൽ ഞങ്ങളുടെ മോഡൽ പരീക്ഷിക്കാൻ കഴിഞ്ഞെങ്കിലും, വ്യത്യസ്ത കേന്ദ്രങ്ങളിൽ നിന്ന് അനുയോജ്യമായ ഡാറ്റാസെറ്റുകൾ തിരിച്ചറിയാൻ ഞങ്ങൾക്ക് കഴിഞ്ഞില്ല, ഇത് മോഡലിൻ്റെ സാമാന്യവൽക്കരണത്തെക്കുറിച്ചുള്ള ഞങ്ങളുടെ വിലയിരുത്തലിനെ പരിമിതപ്പെടുത്തി.ചിത്രങ്ങൾ ലഭിച്ചത് ഒരു കേന്ദ്രത്തിൽ നിന്ന് മാത്രമാണെങ്കിലും, വ്യത്യസ്ത വംശീയ, വംശീയ പശ്ചാത്തലത്തിലുള്ള രോഗികളിൽ നിന്നാണ് അവ ലഭിച്ചത്, ഇത് ഞങ്ങളുടെ പഠനത്തിൻ്റെ സവിശേഷ ശക്തിയാണ്.ഞങ്ങളുടെ പരിശീലന പ്രക്രിയയിൽ വൈവിധ്യം ഉൾപ്പെടുത്തുന്നതിലൂടെ, ഞങ്ങളുടെ ഫലങ്ങൾ വിശാലമായ അർത്ഥത്തിൽ സാമാന്യവൽക്കരിക്കപ്പെടുമെന്നും ഞങ്ങൾ പരിശീലിപ്പിക്കുന്ന മോഡലുകളിൽ വംശീയ പക്ഷപാതം എൻകോഡ് ചെയ്യുന്നത് ഒഴിവാക്കുമെന്നും ഞങ്ങൾ പ്രതീക്ഷിക്കുന്നു.
OCTA ഇമേജ് ഗുണനിലവാരം നിർണ്ണയിക്കുന്നതിൽ ഉയർന്ന പ്രകടനം കൈവരിക്കുന്നതിന് കണക്ഷൻ-സ്കിപ്പിംഗ് ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്ക് പരിശീലനം നൽകാമെന്ന് ഞങ്ങളുടെ പഠനം കാണിക്കുന്നു.കൂടുതൽ ഗവേഷണത്തിനുള്ള ഉപകരണങ്ങളായി ഞങ്ങൾ ഈ മോഡലുകൾ നൽകുന്നു.വ്യത്യസ്‌ത മെട്രിക്‌സിന് വ്യത്യസ്‌ത ഇമേജ് ക്വാളിറ്റി ആവശ്യകതകൾ ഉള്ളതിനാൽ, ഇവിടെ സ്ഥാപിച്ചിരിക്കുന്ന ഘടന ഉപയോഗിച്ച് ഓരോ മെട്രിക്കിനും ഒരു വ്യക്തിഗത ഗുണനിലവാര നിയന്ത്രണ മോഡൽ വികസിപ്പിക്കാൻ കഴിയും.
OCTA പ്ലാറ്റ്‌ഫോമുകളിലേക്കും ഇമേജിംഗ് പ്രോട്ടോക്കോളുകളിലേക്കും സാമാന്യവൽക്കരിക്കാൻ കഴിയുന്ന ആഴത്തിലുള്ള പഠന ഇമേജ് ഗുണനിലവാര മൂല്യനിർണ്ണയ പ്രക്രിയ നേടുന്നതിന് ഭാവിയിലെ ഗവേഷണത്തിൽ വ്യത്യസ്ത ആഴങ്ങളിൽ നിന്നും വ്യത്യസ്ത OCTA മെഷീനുകളിൽ നിന്നും വ്യത്യസ്ത വലുപ്പത്തിലുള്ള ചിത്രങ്ങൾ ഉൾപ്പെടുത്തണം.മാനുഷിക മൂല്യനിർണ്ണയവും ഇമേജ് മൂല്യനിർണ്ണയവും ആവശ്യമായ മേൽനോട്ടത്തിലുള്ള ആഴത്തിലുള്ള പഠന സമീപനങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് നിലവിലെ ഗവേഷണം, ഇത് വലിയ ഡാറ്റാസെറ്റുകൾക്ക് അധ്വാനവും സമയമെടുക്കുന്നതുമാണ്.മേൽനോട്ടമില്ലാത്ത ആഴത്തിലുള്ള പഠന രീതികൾക്ക് നിലവാരം കുറഞ്ഞ ചിത്രങ്ങളും ഉയർന്ന നിലവാരമുള്ള ചിത്രങ്ങളും തമ്മിൽ വേർതിരിച്ചറിയാൻ കഴിയുമോ എന്ന് കണ്ടറിയേണ്ടിയിരിക്കുന്നു.
OCTA സാങ്കേതികവിദ്യ വികസിക്കുന്നത് തുടരുകയും സ്കാനിംഗ് വേഗത വർദ്ധിക്കുകയും ചെയ്യുന്നതിനാൽ, ഇമേജ് ആർട്ടിഫാക്റ്റുകളുടെയും മോശം നിലവാരമുള്ള ചിത്രങ്ങളുടെയും സംഭവങ്ങൾ കുറഞ്ഞേക്കാം.അടുത്തിടെ അവതരിപ്പിച്ച പ്രൊജക്ഷൻ ആർട്ടിഫാക്റ്റ് നീക്കം ചെയ്യൽ ഫീച്ചർ പോലുള്ള സോഫ്റ്റ്‌വെയറിലെ മെച്ചപ്പെടുത്തലുകൾക്കും ഈ പരിമിതികൾ ലഘൂകരിക്കാനാകും.എന്നിരുന്നാലും, മോശമായ ഫിക്സേഷൻ അല്ലെങ്കിൽ കാര്യമായ മീഡിയ ടർബിഡിറ്റി ഉള്ള രോഗികളുടെ ഇമേജിംഗ് എന്ന നിലയിൽ പല പ്രശ്നങ്ങളും നിലനിൽക്കുന്നു.ക്ലിനിക്കൽ പരീക്ഷണങ്ങളിൽ OCTA കൂടുതൽ വ്യാപകമായി ഉപയോഗിക്കപ്പെടുന്നതിനാൽ, ഇമേജ് വിശകലനത്തിനായി സ്വീകാര്യമായ ഇമേജ് ആർട്ടിഫാക്റ്റ് ലെവലുകൾക്കായി വ്യക്തമായ മാർഗ്ഗനിർദ്ദേശങ്ങൾ സ്ഥാപിക്കുന്നതിന് ശ്രദ്ധാപൂർവമായ പരിഗണന ആവശ്യമാണ്.OCTA ഇമേജുകളിലേക്ക് ആഴത്തിലുള്ള പഠന രീതികളുടെ പ്രയോഗം വലിയ വാഗ്ദാനങ്ങൾ നൽകുന്നു, കൂടാതെ ചിത്രത്തിൻ്റെ ഗുണനിലവാര നിയന്ത്രണത്തിന് ശക്തമായ ഒരു സമീപനം വികസിപ്പിക്കുന്നതിന് ഈ മേഖലയിൽ കൂടുതൽ ഗവേഷണം ആവശ്യമാണ്.
നിലവിലെ ഗവേഷണത്തിൽ ഉപയോഗിച്ചിരിക്കുന്ന കോഡ് octa-qc ശേഖരത്തിൽ ലഭ്യമാണ്, https://github.com/rahuldhodapkar/octa-qc.നിലവിലെ പഠനസമയത്ത് ജനറേറ്റുചെയ്‌ത കൂടാതെ/അല്ലെങ്കിൽ വിശകലനം ചെയ്‌ത ഡാറ്റാസെറ്റുകൾ ന്യായമായ അഭ്യർത്ഥന പ്രകാരം ബന്ധപ്പെട്ട രചയിതാക്കളിൽ നിന്ന് ലഭ്യമാണ്.
ഒപ്റ്റിക്കൽ കോഹറൻസ് ആൻജിയോഗ്രാഫിയിലെ സ്പൈഡ്, ആർഎഫ്, ഫ്യൂജിമോട്ടോ, ജെജി & വഹീദ്, എൻകെ ഇമേജ് ആർട്ടിഫാക്റ്റുകൾ.റെറ്റിന 35, 2163–2180 (2015).
ഫെന്നർ, BJ et al.OCT ആൻജിയോഗ്രാഫിയിലെ റെറ്റിന കാപ്പിലറി പ്ലെക്സസ് സാന്ദ്രത അളവുകളുടെ ഗുണനിലവാരവും പുനരുൽപാദനക്ഷമതയും നിർണ്ണയിക്കുന്ന ഇമേജിംഗ് സവിശേഷതകളുടെ തിരിച്ചറിയൽ.BR.ജെ ഒഫ്താൽമോൾ.102, 509–514 (2018).
ലോവർമാൻ, ജെഎൽ തുടങ്ങിയവർ.പ്രായവുമായി ബന്ധപ്പെട്ട മാക്യുലർ ഡീജനറേഷനിൽ OCT ആൻജിയോഗ്രാഫിയുടെ ഇമേജ് നിലവാരത്തിൽ ഐ-ട്രാക്കിംഗ് സാങ്കേതികവിദ്യയുടെ സ്വാധീനം.ശ്മശാന കമാനം.ക്ലിനിക്കൽ.എക്സ്പ്രസ്.ഒഫ്താൽമോളജി.255, 1535–1542 (2017).
Babyuch AS et al.മാക്യുലാർ ഇസ്കെമിയ കണ്ടുപിടിക്കുന്നതിനും വിലയിരുത്തുന്നതിനും OCTA കാപ്പിലറി പെർഫ്യൂഷൻ സാന്ദ്രത അളവുകൾ ഉപയോഗിക്കുന്നു.നേത്ര ശസ്ത്രക്രിയ.റെറ്റിനൽ ലേസർ ഇമേജിംഗ് 51, S30-S36 (2020).
He, K., Zhang, X., Ren, S., and Sun, J. Deep Residual Learning for Image Recognition.2016-ൽ കമ്പ്യൂട്ടർ വിഷൻ ആൻഡ് പാറ്റേൺ റെക്കഗ്നിഷൻ (2016) സംബന്ധിച്ച ഐഇഇഇ കോൺഫറൻസിൽ.
ലോവർമാൻ, ജെഎൽ തുടങ്ങിയവർ.ആഴത്തിലുള്ള പഠന അൽഗോരിതങ്ങൾ ഉപയോഗിച്ച് ഓട്ടോമേറ്റഡ് OCT ആൻജിയോഗ്രാഫിക് ഇമേജ് ഗുണനിലവാര വിലയിരുത്തൽ.ശ്മശാന കമാനം.ക്ലിനിക്കൽ.എക്സ്പ്രസ്.ഒഫ്താൽമോളജി.257, 1641–1648 (2019).
ലോവർമാൻ, ജെ. തുടങ്ങിയവർ.OCT ആൻജിയോഗ്രാഫിയിലെ സെഗ്മെൻ്റേഷൻ പിശകുകളുടെയും ചലന ആർട്ടിഫാക്റ്റുകളുടെയും വ്യാപനം റെറ്റിനയുടെ രോഗത്തെ ആശ്രയിച്ചിരിക്കുന്നു.ശ്മശാന കമാനം.ക്ലിനിക്കൽ.എക്സ്പ്രസ്.ഒഫ്താൽമോളജി.256, 1807–1816 (2018).
പാസ്ക്, ആദം തുടങ്ങിയവർ.പൈറ്റോർച്ച്: ഒരു അനിവാര്യമായ, ഉയർന്ന പ്രകടനമുള്ള ഡീപ് ലേണിംഗ് ലൈബ്രറി.ന്യൂറൽ വിവരങ്ങളുടെ വിപുലമായ പ്രോസസ്സിംഗ്.സിസ്റ്റം.32, 8026–8037 (2019).
ഡെങ്, ജെ. തുടങ്ങിയവർ.ഇമേജ് നെറ്റ്: ഒരു വലിയ തോതിലുള്ള ഹൈറാർക്കിക്കൽ ഇമേജ് ഡാറ്റാബേസ്.2009 IEEE കമ്പ്യൂട്ടർ വിഷൻ ആൻഡ് പാറ്റേൺ തിരിച്ചറിയൽ കോൺഫറൻസ്.248-255.(2009).
ആഴത്തിലുള്ള കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിച്ച് ക്രിഷെവ്‌സ്‌കി എ., സറ്റ്‌സ്‌കെവർ ഐ., ഹിൻ്റൺ ജിഇ ഇമേജ്‌നെറ്റ് വർഗ്ഗീകരണം.ന്യൂറൽ വിവരങ്ങളുടെ വിപുലമായ പ്രോസസ്സിംഗ്.സിസ്റ്റം.25, 1 (2012).